← 返回首页 ❓ 面试题库
📑 本篇章节导航 (共7章,点击直达)
一、AI Agent基础二、工具调用与Function Calling三、Agent记忆系统四、多Agent协作五、Agent评估与监控六、面试高频综合题面试速记口诀

Q122 AI Agent开发与多智能体实战

20K Java+AI 岗位高频考点 — AI Agent是2025-2026最热门方向,面试高频考察Agent原理、工具调用、记忆系统、多Agent协作。覆盖ReAct模式、Function Calling、Spring AI Agent、多智能体架构。

一、AI Agent基础

1. 什么是AI Agent?


Agent = LLM + 感知 + 决策 + 行动 + 记忆

vs 传统自动化:
传统:固定规则 → 固定流程
Agent:LLM理解 → 自主决策 → 灵活行动

vs RAG:
RAG:检索 → 生成(固定管道)
Agent:判断是否需要检索 → 决定检索策略 → 评估结果 → 自主调整

核心能力:
1. 自主决策:判断下一步做什么
2. 工具使用:调用外部工具/API
3. 记忆管理:维护上下文和长期知识
4. 自我反思:评估和修正自己的输出

2. Agent核心架构?


感知 → 推理 → 行动 → 反馈(循环)

User Query → Agent
  ↓
[分析意图] → 简单问题?→ 直接回答
  ↓ 复杂
[规划步骤] → Step1, Step2, Step3...
  ↓
[执行Step1] → 调用工具/检索/计算
  ↓
[评估结果] → 不满意 → [重新规划]
  ↓ 满意
[执行Step2] → ...
  ↓
[综合回答] → 返回最终答案(带引用)

3. ReAct模式详解?


ReAct = Reasoning + Acting 交替执行

循环:
1. Thought(推理):分析当前状态,决定下一步
2. Action(行动):选择并执行工具
3. Observation(观察):获取工具返回结果
4. 重复直到完成任务

示例:
用户:帮我查一下北京到上海的机票,选最便宜的

Thought: 需要搜索机票信息
Action: search_flights(origin="北京", destination="上海", date="2025-06-10")
Observation: 东方航空MU5101 ¥680, 南航CZ3102 ¥720, 国航CA1501 ¥750

Thought: 找到最便宜的是东方航空MU5101,¥680
Action: 无需更多操作
Answer: 最便宜的航班是东方航空MU5101,北京→上海,票价¥680。

4. Plan-and-Execute模式?


vs ReAct:
ReAct:每步都思考→行动→观察(短期规划)
Plan-Execute:先做完整规划→逐步执行(长期规划)

流程:
1. 规划:LLM生成完整任务列表
2. 执行:按计划逐步执行
3. 重规划:如果某步失败,重新规划

适用:
- 复杂多步骤任务
- 需要全局视角的任务
- 任务间有依赖关系

二、工具调用与Function Calling

5. Function Calling原理?


流程:
1. 开发者定义可用工具(名称、描述、参数Schema)
2. 用户提问
3. LLM判断需要调用哪个工具,生成调用参数
4. 应用执行工具,返回结果
5. LLM基于结果生成最终回答

工具定义(OpenAI格式):
{
  "name": "search_orders",
  "description": "搜索用户的订单",
  "parameters": {
    "type": "object",
    "properties": {
      "user_id": {"type": "string", "description": "用户ID"},
      "status": {"type": "string", "enum": ["pending", "completed", "cancelled"]}
    },
    "required": ["user_id"]
  }
}

6. Spring AI Tool Calling?


@Configuration
public class AgentToolConfig {

    @Bean
    public ChatClient agentClient(ChatClient.Builder builder) {
        return builder
            .defaultSystem("你是订单管理助手,可以查询和管理用户订单。")
            .defaultTools(new OrderTools())
            .build();
    }
}

@Component
public class OrderTools {
    @Autowired OrderService orderService;

    @Tool(description = "根据用户ID查询订单列表")
    public List<OrderDTO> searchOrders(
        @ToolParam(description = "用户ID") String userId,
        @ToolParam(description = "订单状态") String status
    ) {
        return orderService.findByUserAndStatus(userId, status);
    }

    @Tool(description = "取消订单")
    public String cancelOrder(
        @ToolParam(description = "订单ID") String orderId,
        @ToolParam(description = "取消原因") String reason
    ) {
        orderService.cancel(orderId, reason);
        return "订单已取消";
    }
}

7. 工具设计原则?


好的工具设计:
1. 单一职责:每个工具做一件事
2. 描述清晰:LLM能准确判断何时使用
3. 参数有约束:枚举值、范围限制
4. 返回结构化:方便LLM理解结果
5. 错误处理:返回可理解的错误信息

工具粒度:
- 太粗:search_database(LLM不知道搜什么)
- 太细:search_by_id, search_by_name, search_by_date
- 合适:search_orders(userId, status, dateRange)

安全考虑:
- 只读工具 vs 写操作工具分开
- 写操作需要确认步骤
- 限制调用频率

8. MCP(Model Context Protocol)工具?


// Spring AI MCP客户端
@Bean
public MCPClient mcpClient() {
    return MCPClient.builder()
        .transport(new StdioTransport("npx", "-y", "@anthropic/mcp-server-filesystem", "/data"))
        .build();
}

// MCP工具自动注册为Spring AI Tool
@Bean
public ChatClient mcpAgent(ChatClient.Builder builder, MCPClient mcpClient) {
    return builder
        .defaultTools(mcpClient.getTools())
        .build();
}

三、Agent记忆系统

9. 记忆类型?

类型说明存储示例
短期记忆当前对话上下文内存/Redis对话历史
工作记忆当前任务的中间结果内存工具调用结果
长期记忆用户偏好/知识向量库/DB用户画像
情景记忆历史交互经历向量库过去的对话

10. Spring AI ChatMemory?


// 对话记忆
@Bean
public ChatClient chatClient(ChatClient.Builder builder) {
    ChatMemory memory = new InMemoryChatMemory();  // 生产用Redis

    return builder
        .defaultAdvisors(MessageChatMemoryAdvisor.builder(memory).build())
        .build();
}

// 使用
chatClient.prompt()
    .user("帮我查一下最近的订单")
    .advisors(a -> a.param("chat_memory_conversation_id", "user-123"))
    .call().content();

11. 长期记忆实现?


@Service
public class AgentMemoryService {
    @Autowired VectorStore vectorStore;
    @Autowired ChatClient chatClient;

    // 保存重要信息到长期记忆
    public void saveImportantFact(String userId, String fact) {
        Document doc = new Document(fact, Map.of("userId", userId, "type", "fact"));
        vectorStore.add(List.of(doc));
    }

    // 检索相关记忆
    public String recallRelevantMemories(String userId, String query) {
        List<Document> memories = vectorStore.search(
            SearchRequest.builder().query(query).topK(5)
                .filterExpression("userId == '" + userId + "'").build());
        return memories.stream().map(Document::getContent).collect(joining("\n"));
    }

    // 融入Agent上下文
    public String chat(String userId, String question) {
        String memories = recallRelevantMemories(userId, question);
        return chatClient.prompt()
            .system("你记得以下关于用户的信息:\n" + memories)
            .user(question)
            .call().content();
    }
}

四、多Agent协作

12. 多Agent架构模式?


模式一:主从(Master-Worker)
Master Agent → 分配任务 → Worker Agent 1, 2, 3
适用:任务明确的场景

模式二:辩论(Debate)
Agent A提出方案 → Agent B质疑 → Agent C评审 → 最终决策
适用:需要多角度验证的场景

模式三:层级(Hierarchical)
Manager Agent → Specialist Agents → Worker Agents
适用:复杂任务的分层处理

模式四:黑板(Blackboard)
共享状态空间 → 多Agent并发读写 → 协调器调度
适用:知识密集型协作

13. 多Agent Java实现?


@Service
public class MultiAgentService {
    @Autowired @Qualifier("planner") ChatClient planner;
    @Autowired @Qualifier("coder") ChatClient coder;
    @Autowired @Qualifier("reviewer") ChatClient reviewer;

    public String developFeature(String requirement) {
        // Step 1: Planner规划
        String plan = planner.prompt()
            .system("你是架构师,根据需求生成技术方案。")
            .user(requirement).call().content();

        // Step 2: Coder编码
        String code = coder.prompt()
            .system("你是高级开发,根据方案编写代码。")
            .user("方案:\n" + plan).call().content();

        // Step 3: Reviewer审查
        String review = reviewer.prompt()
            .system("你是代码审查专家,检查代码质量。")
            .user("代码:\n" + code).call().content();

        // Step 4: 根据Review修改(如果需要)
        if (review.contains("需要修改")) {
            code = coder.prompt()
                .user("根据Review修改代码:\n" + review + "\n原代码:\n" + code)
                .call().content();
        }

        return code;
    }
}

14. Agent间通信?


// 基于消息队列的Agent通信
@Service
public class AgentMessageBus {
    @Autowired RedisTemplate<String, String> redisTemplate;

    public void send(String fromAgent, String toAgent, String message) {
        String payload = Map.of("from", fromAgent, "to", toAgent,
            "content", message, "timestamp", Instant.now().toString()).toString();
        redisTemplate.opsForList().rightPush("agent:inbox:" + toAgent, payload);
    }

    public String receive(String agentName) {
        return redisTemplate.opsForList().leftPop("agent:inbox:" + agentName);
    }
}

五、Agent评估与监控

15. Agent评估指标?


核心指标:
1. 任务完成率:成功完成的任务比例
2. 工具调用准确率:选择正确工具的比例
3. 平均步骤数:完成任务所需的步骤数
4. Token消耗:总Token使用量
5. 延迟:端到端响应时间
6. 幻觉率:编造不存在的工具调用结果

评估方法:
1. Golden Set:预定义正确答案集
2. LLM-as-Judge:用LLM评估输出质量
3. 人工评估:专家评审
4. 回归测试:确保改进不引入退化

16. Agent可观测性?


@Configuration
public class AgentObservability {
    @Bean
    public ChatClient observableClient(ChatClient.Builder builder) {
        return builder
            .defaultAdvisors(
                SimpleLoggerAdvisor.builder().build(),  // 日志
                new TokenCountAdvisor()                   // Token计数
            )
            .build();
    }
}

// 自定义Advisor记录工具调用
@Component
public class ToolCallLoggerAdvisor implements CallAdvisor {
    @Override
    public AdvisedResponse adviseCall(AdvisedRequest request, CallAdvisorChain chain) {
        long start = System.currentTimeMillis();
        AdvisedResponse response = chain.nextAdvise(request);
        long duration = System.currentTimeMillis() - start;

        log.info("Agent call: query={}, tools={}, tokens={}, duration={}ms",
            request.userText(),
            response.toolCalls(),
            response.tokenUsage(),
            duration);

        return response;
    }
}

六、面试高频综合题

17. Agent vs RAG vs Fine-tuning?

维度RAGAgentFine-tuning
自主性低高无
知识更新实时实时需重训
工具使用无有无
复杂推理弱强中
成本中高高
适用知识问答复杂任务风格定制

18. 企业级Agent架构?


架构分层:
1. 意图识别层:分类用户意图(简单问答/复杂任务)
2. 路由层:分发到对应Agent
3. Agent层:执行具体任务
4. 工具层:外部工具/API调用
5. 记忆层:对话历史/长期知识
6. 安全层:权限控制/审计日志
7. 监控层:质量/成本/性能监控

技术选型:
- 框架:Spring AI 2.0
- 模型:GPT-4o / Claude / 通义千问
- 记忆:Redis + Milvus
- 工具:MCP协议
- 监控:OpenTelemetry + Grafana

19. Agent安全风险?


风险:
1. 工具滥用:Agent调用不应调用的工具
2. 权限泄露:获取超出范围的权限
3. Prompt注入:通过输入控制Agent行为
4. 数据泄露:Agent访问敏感数据
5. 无限循环:Agent陷入循环不断调用

防御:
1. 工具白名单:限制可用工具
2. 权限最小化:每个Agent只有必要权限
3. 调用次数限制:防止无限循环
4. 人工确认:高危操作需人工审批
5. 审计日志:记录所有Agent操作

20. Agent的未来趋势?


1. 自主性增强:从辅助工具→独立执行
2. 多模态Agent:理解图片、音频、视频
3. Agent编排:多Agent自动协作
4. 垂直领域Agent:法律/医疗/金融专用
5. Agent开发平台:低代码/无代码构建
6. 标准化:MCP/ACP等协议统一

Java工程师优势:
- 企业级系统集成经验
- Spring AI生态成熟
- 工程化能力强
- 安全和可观测性经验丰富

面试速记口诀

Agent四要素:感知(输入) → 推理(思考) → 行动(工具) → 反馈(评估)

>

工具设计三原则:单一职责、描述清晰、参数约束

>

记忆三类型:短期(对话)、工作(任务中间态)、长期(知识库)

>

多Agent四模式:主从、辩论、层级、黑板